利用开放数据和任务增强实现低资源场景下心理治疗对话的自动化行为编码

在心理治疗互动中，会话质量是通过人工观察和标注来对参与者在对话中的交流行为进行编码评估的。开发用于自动化行为编码的计算方法可以减轻人工编码者的负担，并有助于对干预进行客观评估。然而，在现实世界中，实施此类算法面临数据稀疏的挑战，因为隐私问题导致可用的领域内数据有限。在本文中，我们利用一个公开可用的基于对话的数据集，通过元学习进行中间语言模型训练，将知识迁移到低资源行为编码任务。我们引入了一种任务增强方法，以生成大量“类比任务”——与目标任务相似的任务——并证明所提出的框架在预测目标行为方面比所有其他基线模型都更准确。